Інформаційно-аналітичне забезпечення управління ризиками загроз під час бойових дій

Андрій Ковтун Олена Землянська Наталія Праховнік Оксана Ільчук
Отримано 21.04.2025, Доопрацьовано 18.09.2025, Прийнято 24.12.2025
Анотація

Метою дослідження було виявлення особливостей побудови та застосування аналітичних систем у процесах оцінки й мінімізації воєнних ризиків. Методологія базувалась на структурно-функціональному, порівняльному і системно-аналітичних методах. Встановлено, що ідентифікація загроз під час бойових дій ґрунтується на інтеграції багатоджерельних даних і охоплює чотири взаємопов’язані типи ризиків – фізичні, техногенні, інформаційні та психологічні. Фізичні ризики пов’язані з руйнуванням критичної інфраструктури, зокрема під час оборони Києва в 2022 році та обстрілів у секторі Газа в 2023 році, техногенні наслідки, як прорив Каховської дамби у 2023 році й пошкодження Запорізької атомної електричної станції, спричинили затоплення понад 600 км2 і потребували цілодобового моніторингу Міжнародного агентства з атомної енергії. У 2022-2024 зафіксовано понад 20,000 кібератак, а гібридні загрози, поєднуючи фізичні, кібер- та психологічні впливи, дестабілізують державу й суспільство. Виявлено, що ключовим інструментом реагування є інформаційно-аналітична система з багаторівневою архітектурою збору, обробки й візуалізації даних, що використовує Big Data, Machine Learning і прогнозне моделювання для оцінки ризиків та підтримки рішень у реальному часі. Порівняння України, Гази та Бурунді показало різні етапи розвитку інформаційно-аналітичної системи: в Україні система забезпечує реагування протягом «години – доби» та інтегрує дані з різних джерел. У Газі система має гуманітарний характер, щоденно оновлюючи дані про понад 4,500 зруйнованих об’єктів, у Бурунді – resilience-індекс інфраструктури з кількаденним лагом і щотижневою корекцією ризиків. Найбільш ефективною є гібридна модель, що поєднує міжнародні стандарти й національні ресурси, забезпечуючи швидке реагування та довгострокову стійкість у постконфліктних умовах. Практична значущість полягає у можливості використання результатів державними, аналітичними та гуманітарними структурами для швидшого реагування та захисту інфраструктури під час бойових дій

Ключові слова:
фізичні руйнування; прогнозне моделювання; ситуаційна обізнаність; стійкість інфраструктури; кібератаки; психологічний вплив; гуманітарна аналітика

Взято з Том 23, № 2, 2025

Сторінки 89–103

Використані джерела ЦИТУВАТИ
  1. Aebi, S., Hauri, A., & Kamberaj, J. (2024). Critical infrastructure resilience in Ukraine: energy, transportation, and communication. Zurich: Centre for Security Studies. doi: 10.3929/ethz-b-000662463.
  2. Ainslie, S., Thompson, D., Maynard, S., & Ahmad, A. (2023). Cyber-threat intelligence for security decisionmaking: A review and research agenda for practice. Computers & Security, 132, article number 103352. doi: 10.1016/j.cose.2023.103352.
  3. Asi, Y., et al. (2024). “Nowhere and no one is safe”: Spatial analysis of damage to critical civilian infrastructure in the Gaza Strip during the first phase of the Israeli military campaign, 7 October to 22 November 2023. Conflict and Health, 18, article number 24. doi: 10.1186/s13031-024-00580-x.
  4. Aviv, I., & Ferri, U. (2023). Russian-Ukraine armed conflict: Lessons learned on the digital ecosystem. International Journal of Critical Infrastructure Protection, 43, article number 100637. doi: 10.1016/j.ijcip.2023.100637.
  5. Beger, A., Morgan, R.K., & Ward, M.D. (2021). Reassessing the role of theory and machine learning in forecasting civil conflict. Journal of Conflict Resolution, 65(7-8), 1405-1426. doi: 10.1177/0022002720982358.
  6. Bondar, K. (2025). How Ukraine’s war is reshaping C4ISR for the modern battlefield. Hague: The Hague Centre for Strategic Studies (HCSS).
  7. Brenneis, A. (2024). Assessing dual use risks in AI research: Necessity, challenges and mitigation strategies. Research Ethics, 21(2), 302-330. doi: 10.1177/17470161241267782.
  8. Browning, R., Patten, H., Rousseau, J., & Mengersen, K. (2024). Bayesian spatiotemporal modelling of political violence and conflict events using discrete-time Hawkes processes. ArXiv. doi: 10.48550/arXiv.2408.14940.
  9. Charter of the United Nations and Statute of the International Court of Justice. (1945, June). Retrieved from https://treaties.un.org/doc/publication/ctc/uncharter.pdf.
  10. Collins, L., & Spencer, J. (2025). Case study #12 – Kyiv. Retrieved from https://mwi.westpoint.edu/urban- warfare-project-case-study-12-battle-of-kyiv/.
  11. Convention on Cybercrime. (2001, November). Retrieved from https://rm.coe.int/1680081561.
  12. de Bruin, S.P., Hoch, J.M., von Uexkull, N., Buhaug, H., Demmers, J., Visser, H., & Wanders, N. (2022). Projecting long-term armed conflict risk: An underappreciated field of inquiry? Global Environmental Change, 72, article number 102423. doi: 10.1016/j.gloenvcha.2021.102423.
  13. Goncharuk, V. (2024a). Survival of the smartest? Defense AI in Ukraine. In H. Borchert, T. Schütz & J. Verbovszky (Eds.), The very long game: 25 case studies on the global state of defense AI (pp. 375-395). Cham: Springer. doi: 10.1007/978-3-031-58649-1_17.
  14. Goncharuk, V. (2024b). Russia’s war in Ukraine: Artificial intelligence in defence of Ukraine. Retrieved from https:// icds.ee/en/russias-war-in-ukraine-artificial-intelligence-in-defence-of-ukraine/.
  15. Granata, D., & Rak, M. (2024). Systematic analysis of automated threat modelling techniques: Comparison of open-source tools. Software Quality Journal, 32, 125-161. doi: 10.1007/s11219-023-09634-4.
  16. Habbal, A., Ali, M.K., & Abuzaraida, M.A. (2024). Artificial intelligence trust, risk and security management (AI TRiSM): Frameworks, applications, challenges and future research directions. Expert Systems with Applications, 240, article number 122442. doi: 10.1016/j.eswa.2023.122442.
  17. International Atomic Energy Agency. (2024). Two years of IAEA continued presence at the Zaporizhzhya nuclear power plant. Retrieved from https://surl.li/hhhyvz.
  18. International Committee of the Red Cross. (n.d.). Protecting civilians against digital threats during armed conflict: Recommendations to states, belligerents, tech companies and humanitarian organizations. Retrieved from https:// surl.li/sltbau.
  19. Irankunda, G., Zhang, W., Fernand, M., & Zhang, J. (2024). Assessing the resilience of critical infrastructure facilities toward a holistic and theoretical approach: A multi-scenario evidence and case study. Sustainability, 16(20), article number 8735. doi: 10.3390/su16208735.
  20. Iskoujina, Z., Gnatchenko, Y., & Bernal, P. (2024). Social media as an information warfare tool in the RussiaUkraine war: A systematic literature review. In EventCenter for informed democracy & social – cybersecurity (IDeaS) annual conference. Pittsburgh: Carnegie Mellon Univeristy.
  21. ISO 31000:2018. (2018). Risk management – guidelines. Retrieved from https://surl.li/epiiha.
  22. King, A. (2024). Digital targeting: Artificial intelligence, data, and military intelligence. Journal of Global Security Studies, 9(2), article number ogae009. doi: 10.1093/jogss/ogae009.
  23. Law of Ukraine No. 2163-VIII “On the Basic Principles of Cybersecurity in Ukraine”. (2017, October). Retrieved from https://zakon.rada.gov.ua/laws/show/en/2163-19#Text.
  24. Law of Ukraine No. 2469-VIII “On National Security of Ukraine”. (2018, June). Retrieved from https://zakon.rada. gov.ua/laws/show/2469-19#Text.
  25. Law of Ukraine No. 389-VIII “On the Legal Regime of Martial Law”. (2015, May). Retrieved from https://zakon. rada.gov.ua/laws/show/389-19.
  26. Małodobry, Z., Nastaj-Sałek, K., Cyrkun, K., & Jakubiec, W. (2024). Application of artificial intelligence in modern weapon systems – opportunities and threats in armed conflicts. Scientific Journal of Bielsko-Biała School of Finance and Law, 28(4), 56-60. doi: 10.19192/wsfip.sj4.2024.8.
  27. Mitoulis, S.-A., Argyroudis, S., Panteli, M., Fuggini, C., Valkaniotis, S., Hynes, W., & Linkov, I. (2023). Conflictresilience framework for critical infrastructure peacebuilding. Sustainable Cities and Society, 91, article number 104405. doi: 10.1016/j.scs.2023.104405.
  28. Mohamed, N. (2025). Artificial intelligence and machine learning in cybersecurity: A deep dive into state-ofthe-art techniques and future paradigms. Knowledge and Information Systems, 67, 6969-7055. doi: 10.1007/ s10115-025-02429-y.
  29. Murphy, M., Sharpe, E., & Huang, K. (2024). The promise of machine learning in violent conflict forecasting. Data & Policy, 6, article number e35. doi: 10.1017/dap.2024.27.
  30. Onderco, M. (2025). Navigating the AI frontier: Insights from the Ukraine conflict for NATO’s governance role in military AI. Journal of Strategic Studies, 48(3), 602-626. doi: 10.1080/01402390.2025.2463451.
  31. Protocol Additional to the Geneva Conventions of 12 August 1949, and relating to the Protection of Victims of International Armed Conflicts (Protocol I). (1978, December). Retrieved from https://surl.li/wvqnsq.
  32. Rapid environmental assessment of Kakhovka Dam Breach Ukraine, 2023. (2023). Retrieved from https://www. unep.org/resources/report/rapid-environmental-assessment-kakhovka-dam-breach-ukraine-2023.
  33. Rizk, J., & Cordey, S. (2023). What we don’t understand about digital risks in armed conflict and what to do about it. Retrieved from https://blogs.icrc.org/law-and-policy/2023/07/27/digital-risks-in-armed-conflict/.
  34. Robinson, E., Egel, D., & Bailey, G. (2023). Machine learning for operational decision-making in competition and conflict: A demonstration using the conflict in eastern Ukraine. Retrieved from https://surl.li/anhkoj.
  35. Rød, E.G., Gåsste, T., & Hegre, H. (2024). A review and comparison of conflict early warning systems. International Journal of Forecasting, 40(1), 96-112. doi: 10.1016/j.ijforecast.2023.01.001.
  36. Scher, C., & Van Den Hoek, J. (2025). Active InSAR monitoring of building damage in Gaza during the IsraelHamas War. ArXiv. doi: 10.48550/arXiv.2506.14730.
  37. Semenenko, O., Palamarchuk, S., Poberezhets, T., Palamarchuk, N., & Mytchenko, S. (2025). Cybersecurity in modern armed conflicts: Threats and responses. International Journal of Advances in Soft Computing and its Application, 17(1), 32-48. doi: 10.15849/IJASCA.250330.03.
  38. Sendai Framework for Disaster Risk Reduction 2015-2030. (2015). Retrieved from https://www.undrr.org/ publication/sendai-framework-disaster-risk-reduction-2015-2030.
  39. Sinha, A., Rout, B., Mohanty, S., Mishra, S.R., Mohapatra, H., & Dey, S. (2024). Exploring sentiments in the RussiaUkraine conflict: A comparative analysis of KNN, decision tree, and logistic regression machine learning classifiers. Procedia Computer Science, 235, 1068-1076. doi: 10.1016/j.procs.2024.04.101.
  40. Skomra, W., & Wojtasik, K. (2025). Critical infrastructure as a target for hybrid operations: Case studies of attacks against the facilities and systems of CI. Terrorism – Studies, Analyses, Prevention, 2025, 13-34. doi: 10.4467/27204383TER.25.013.21516.
  41. Special meeting of the Permanent Council (1368th Plenary Meeting). (2022). Retrieved from https://www.osce. org/files/f/documents/2/5/518964.pdf.
  42. Sporyshev, K., Pasichnyk, A., & Morokhovskyi, M. (2024). Problematic aspects of information and analytical support for the management bodies of Ukraine’s security forces. Security Studies, 2(4), 78-82. doi: 10.33405/ 2786-8613/2024/2/4/323379.
  43. Sticher, V., Wegner, J.D., & Pfeifle, B. (2023). Toward the remote monitoring of armed conflicts. PNAS Nexus, 2(6), article number pgad181. doi: 10.1093/pnasnexus/pgad181.
  44. Wang, Y., Li, Y., & Zhang, S. (2025). Automatic detection of war-destroyed buildings from high-resolution remote sensing images. Remote Sensing, 17(3), article number 509. doi: 10.3390/rs17030509.
Kovtun, A., Zemlyanska, O., Prakhovnik, N., & Ilchuk, O. (2025). Information and analytical support for the management of threat risks during combat operations. Journal of Kryvyi Rih National University, 23(2), 89-103. https://doi.org/10.31721/2306-5451-2025-2-23-89-103
uk